薄树奎，程秋云

　　（郑州航空工业管理学院 计算机学院，河南 郑州 450015）

摘要：地面目标在不同尺度的遥感影像中表现出不同的特征，对自动目标识别的准确性有很大影响。基于多分辨率遥感影像，研究典型图像目标的识别技术，给出了多尺度图像目标识别框架。首先针对不同尺度的遥感影像，分析了每个尺度上目标识别的有效特征。然后在提取典型目标的多种特征基础上，对这些特征进行尺度相关性分析，并研究不同的尺度对目标形状结构等特征产生的影响。实验结果表明，基于多分辨率遥感影像的识别框架可以有效地实现图像目标的分析与识别。

关键词：多尺度；机场；目标识别；特征；遥感

　中图分类号：TP391文献标识码：ADOI： 10.19358/j.issn.1674 7720.2016.20.012

引用格式：薄树奎，程秋云. 遥感图像目标多尺度特征分析［J］.微型机与应用，2016,35（20）：45 48.

0引言

　　自动目标识别（Automatic Target Recognition，ATR）及其相关技术在航空航天、遥感、工业自动化等领域具有广泛的应用［1-5］。典型的自动目标识别系统可分为三个工作阶段：检测、辨识、分类。检测阶段是从大范围的图像区域中找出可能存在目标的区域［3］，即感兴趣区域（Region of Interest，ROI）。在目标检测阶段因处理的图像尺寸较大，为提高计算效率，一般采用简单、快速的方法，得到较高虚警率的检测结果。如参考文献［6］引入模糊逻辑的概念，提出了一种非均匀背景的合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标检测算法，具有一定的实用价值。辨识阶段是对检测获得的感兴趣区域作进一步的判断，以剔除不含待识别目标的区域，如参考文献［7］首先采用阈值方法进行海洋和陆地的分割，在基于块的统计特征表示方法的基础上，快速确定中、小型港口的候选区域。分类识别阶段是最终的目标性质和类别的确定，如参考文献［8］研究了一种基于上下文的机场目标识别方法，将机场各组成部分间存在的依赖关系应用于识别技术中。自动目标识别的三个工作阶段是为了快速准确地提取目标，采取从粗到细的策略，首先从尺度图像中快速提取出目标可能存在的区域，然后再利用精细特征对候选区域进一步确认分析，去除虚警，并对目标进行识别与分类。

　　尺度在目标的检测和识别中起着重要作用，而多尺度方法可以真实地反映地面目标的表现形式，在目标识别领域受到广泛重视。如参考文献［9］结合多尺度几何分析和局部二值模式算子，构造了一种新目标特征及相应的识别方法，实验表明该特征比传统小波域特征有更强的鉴别能力。参考文献［10］详细论述了图像的多尺度几何分析方法，比较研究了多尺度变换域的多种统计模型，并进行了相关的实例研究。参考文献［11］利用小波不同尺度的特性，采用小波多尺度积的方法提取出目标图像的边缘，兼顾了图像的细节与轮廓特征，将目标图像不同层次的轮廓信息和细节信息相结合，解决复杂背景下目标的识别问题。参考文献［12］则提出了一种基于多尺度变形模板的目标识别方法，也是利用小波变换的多尺度特性，由粗至精进行匹配，并在多种图像上进行实验，实验结果良好。参考文献［13］采用小波多尺度边缘检测，引入边缘概率，利用最大似然法对目标和背景分类探测进行处理，获得目标模式识别的最大似然概率，用于解决红外目标探测中的问题。

　　目前多尺度目标识别方法大都是在一幅原始图像上进行多尺度的变换，并提取多尺度特征进行目标的识别，在多尺度变换中，往往会有图像信息的丢失，而且变换中的尺度选择也是一个难题。本文针对传感器直接获取的多幅不同分辨率的图像，研究多尺度的目标识别问题。提出了更加完善的多尺度识别技术框架，包括三个尺度概念：超尺度、大尺度、小尺度。并且，以机场目标为例，通过实验结果分析了不同的尺度层次及其对应的有效特征。

1多尺度图像目标识别

　　多尺度的自动目标识别要快速准确地提取图像目标，需要从粗到细逐步进行目标的搜索、辨别与分类，为此，本文将多尺度图像目标识别分为三个基本的级别，即超尺度、大尺度和小尺度。多尺度图像目标识别，首先在同一区域获取不同分辨率的遥感影像，由于同一地物类别在不同的空间分辨率中的光谱响应值与像元大小的非线性相关性，所以同一地物目标在不同尺度的图像中呈现的特征不是平均或平分的对应关系。同一地物目标表现出的特征会随着尺度的变化产生差异，而且这种差异有时会很大，严重影响了目标识别结果。因此，在不同分辨率的图像中，对同一地物目标进行有效描述的特征不同，即使相同的特征，不同分辨率图像得到的特征值也不相同，这些将严重影响目标识别的结果，所以尺度变化对目标识别的影响需要分析。图1所示为多尺度图像目标识别框架，在不同的尺度中，关键问题是选择对应的有效识别特征，下面将分别进行论述。

1.1超尺度目标区域搜索

　　超尺度就是像素尺寸超出了目标的大小，从而目标根本不可见或者极其模糊，只是一个光谱亮度能粗略区别的异物，不能计算目标的面积、轮廓、形状等特征。在自动目标识别中，首先要在大范围的低分辨率图像内进行检测，虽然不能发现目标，甚至目标的大致轮廓也不能确定，但能找出目标可能存在的区域，为下一步确认目标做准备。在候选目标区域检测阶段，由于目标基本不可见，主要选择目标的上下文语义特征。

就遥感图像中地面目标的识别而言，由于各种地物都有其特定环境，目标与目标间、目标与背景间都具有内在关联。通常，一类目标的存在可以确定或排除其邻域中另一类目标出现的可能性。例如，有河流的地方可以确定为可能存在桥梁的区域；造船厂一般不会建设在没有水的地方。这样一些由周围环境所传递的信息，称为上下文信息。上下文信息是图像理解中最重要的方面之一，上下文信息描述图像区域的相互关系。人们在观察事物时常常有意识或下意识地利用上下文信息，而且使其发挥极大作用。例如在高分辨率图像中识别公园，公园一般是大面积的有连续植被的区域，而且公园都是在城区内，周围有街区等，可以用来区别公园和牧场。上下文语义信息用来确定目标可能存在的区域，如桥梁识别，首先搜索河流目标，港口识别要沿着海岸搜索。

1.2大尺度目标辨别

　　大尺度指的是能够识别目标的大致轮廓，但不能准确估计目标的面积、结构等，可以使用光谱、形状特征。获取目标的轮廓特征需要对图像进行分割，由图像分割后产生的目标区域的形状特征表示。形状信息的提取是在对构成图像目标的像素空间分布统计的基础上进行的，其中一个基本统计量就是协方差矩阵，表示如下，

　　式中，X和Y分别是该对象内的像素(x, y )坐标组成的矢量，Var(X)和Var(Y)分别是X和Y的方差，Cov(XY)是X和Y之间的协方差。

　　形状特征描述形式很多，如下是大尺度图像中几种常用的形状描述。

　　面积A：组成该对象的像素总数。

　　长宽比：和eig2分别是协方差矩阵的特征值。长度：l=；宽度：；形状指数：描述对象边界的光滑程度，边界越破碎，值越大，e为边界像素数；密度：表示一个对象的紧凑程度，值越大表示对象越接近正方形，n为其中的像素数目。

　　主方向：图像对象的主方向定义为协方差矩阵的较大特征值对应的特征向量的方向。

1.3小尺度目标分类识别

　　小尺度指的是能够准确估计目标的面积、结构等信息，因此小尺度上目标的长、宽、面积、形状指数等形状特征都可以利用，包括描述对象间或目标内部几何关系的拓扑特征。拓扑特征包括左右、包含关系、距离等，如机场目标，其跑道、滑行道、停机坪、指挥塔台等各个组合单元都是按一定的关系进行位置配置的，而这些单元在小尺度图像中能够清晰分辨出来，所以，拓扑特征是小尺度上的一个有效识别特征。

　　小尺度影像中目标的结构与在大尺度中存在着明显的差别。在图像目标区域分割中，处在目标边缘的混合像元要么被分为目标类别，要么被分为背景类别，因此，混合像元所占的比例决定了目标测量的误差，从而引起目标的形状结构变化。尤其是在低分辨率的图像中，边缘区域所占的比例较大，会影响目标的准确提取，随着分辨率的提高，目标边缘变得更加清晰，因此，误差变小，可以对目标进行准确的提取与识别。

2实验结果分析

　　以机场目标为例，采用多尺度图像进行目标识别，并对结果进行分析。根据多尺度识别框架，首先在超尺度上进行目标区域搜索。对于机场目标，一般在城市外围一段距离以内，搜索可能存在目标的区域，区域内有一定面积的不透水面类别。图2所示为超尺度遥感影像中民用机场的候选区域搜索，图2是在城市郊区范围搜索分布有不透水面类别而且面积足够大的区域，将其作为机场候选区域。

　　在超尺度上确定目标可能存在的候选区域后，要进一步在大尺度上对目标进行辨别。机场目标的光谱特征和周围背景具有较大的差异，而且具有明显的形状特征，在大尺度下也能够从大致轮廓中进行辨识，如图3所示为四个尺度的机场目标影像，尺度从(a)到(d)逐渐减小。

　　如图4所示为图3中图像分割结果，将其中的机场目标分割出来。图4分割结果中提取的图像目标的形状特征取值如表1所示。由于不同尺度的图像分割提取的目标完整性有差别，面积、长、宽、形状指数等特征并非严格一致或按固定比例，因此，在目标识别中，不同尺度的图像所依据的形状特征是不同的，在分辨率低的图像中，目标的形状特征要求较粗略，而高分辨率中则要求更精细。如本实验中，由于低分辨率的图像目标边界模糊，不易分割完全，因此在这样的分辨率下根据形状特征识别机场目标，不能以完整的两条平行跑道为标准进行判断，而是依据长宽比、密度、主方向等特征。本实验中密度特征在不同尺度下保持了一定的取值范围，而主方向则具有更高的一致性。虽然图像分辨率不同，目标分割的完整程度也有差别，但图像中目标的主方向特征极其相近，说明主方向可以作为此类目标的尺度不变特征加以利用。

　　大尺度图像中只能辨别目标的大致轮廓，而在多分辨率图像中的一些结构特征变化明显，需要在小尺度上进一步识别。在图4（a）中，跑道宽度为2个像素，跑道中间宽度为2像素，比例为1:1；在图4（b）中，跑道宽度为3个像素，跑道中间宽度为4像素，比例为1:1.33；在图4（c）中，跑道宽度为5个像素，跑道中间宽度为7.5像素，比例为1:1.5；在图4（d）中，跑道宽度为10个像素，跑道中间宽度为15像素，比例为1:1.5。在图4中多分辨率图像中目标结构变化如表2所示。从表中可以看出，随着分辨率的提高，中间地带与跑道的比例也逐渐增大，体现了同一目标在不同分辨率图像中的结构变化特性，表明在小尺度上的形状结构特征描述更加准确，可以作为目标识别的有效特征。

　　由于小尺度上目标各部分可以被更加准确地测量，对目标结构以及各个部分的拓扑关系的描述会更加完善，如图4中所示，机场两条跑道的平行关系、跑道之间的联通形式、间隔区域与跑道之间的比例关系，以及跑道与停机坪的拓扑关系等，都可以作为机场目标识别的有效特征。

3结论

　　尺度特性在目标识别中起着关键性的作用，多尺度方法可以完成从目标的检测、辨识到识别三个阶段的任务。本文以机场目标为例，基于同一目标场景的多个分辨率图像，从三个阶段研究了目标的识别过程，分析了不同尺度下机场目标识别的有效特征。由于图像目标边缘处的误差，因而在不同分辨率图像中提取的目标结构特征有显著差异。在一个尺度上的目标特征，与在另一个尺度上表现的特征相差甚远，甚至有可能消失。因此，必须在合适的尺度上选择合适的目标特征进行操作，以提高遥感图像目标识别的精确性。

参考文献

　　［1］ 丛瑜,周伟,于仕财,等.一种对港口影像进行舰船目标提取方法［J］.计算机仿真, 2014, 31(1): 22-25,40.

　　［2］ 李新德,杨伟东, JEAN D.一种飞机图像目标多特征信息融合识别方法［J］.自动化学报, 2012, 38(8): 1298-1307.

　　［3］ 王彦情,马雷,田原.光学遥感图像舰船目标检测与识别综述［J］.自动化学报，2011, 37(9): 1029-1039.

　　［4］ 刘婧,孙继银,朱俊林，等.基于模板匹配的前视红外目标识别方法［J］.弹箭与制导学报,2010,30(1):17-20.

　　［5］ 李博,曹鹏,栗伟,等.基于尺度空间中多特征融合的医学影像分类［J］.计算机应用, 2013, 33(4): 1108-1111, 1114.

　　［6］ 徐晶,张弓.基于模糊CFAR的SAR图像非均匀背景目标检测算法［J］.宇航学报,2011,32(7): 1612-1617.

　　［7］ 朱兵,李金宗,陈爱军.大尺度遥感图像中港口目标快速识别［J］. 模式识别与人工智能, 2006,19(4): 552-556.

　　［8］ 刘蒽蒽,桑农,曹治国,等.基于上下文的机场目标识别方法［J］.红外与激光工程, 2004,33(1): 67-70.

　　［9］ 潘泓,李晓兵,金立左,等.基于多尺度几何分析的目标描述和识别［J］.红外与毫米波学报, 2011, 30(1):85-90.

　　［10］ 焦李成,孙强.多尺度变换域图像的感知与识别:进展和展望［J］.计算机学报, 2006, 29(2):177-193.

　　［11］ 陈方涵,苗华,陈宇，等.基于小波多尺度积的目标识别［J］.光学学报, 2009, 29(5): 1223-1226.

　　［12］ 余莉,王润生.基于多尺度变形模板的目标检测与识别［J］.计算机研究与发展, 2002, 39(10): 1325-1330.

　　［13］ 李朝晖,王冰,陈明.基于小波多尺度和最大似然法的红外目标探测［J］.光学学报,2009, 29(12): 3404-3408.